Řízení finančních rizik v energetice. 1. Stochastické modely v energetice
|
|
- Andrea Dana Dušková
- před 8 lety
- Počet zobrazení:
Transkript
1
2
3 Úvod Řízení finančních rizik v energetice 1. Stochastické modely v energetice Úvod do problematiky stochastických procesů Charakteristiky časových řad Vztah cen spotových a forwardových kontraktů Modely spotových denních kontraktů Modely spotových hodinových kontraktů Modely termínových kontraktů 2. Řízení tržních rizik 3. Řízení kreditních rizik
4 Úvod do problematiky stochastických procesů Stochastické modely v energetice Moderní finanční matematika používá pro řešení řady praktických úloh stochastického počtu: Oceňování finančních instrumentů zejména finančních derivátů (např. Black- Scholes model) Odhad budoucího vývoje ekonomických veličin (úrokové sazby, ceny akcií, apod.) Řízení rizik aplikace metody Monte Carlo při výpočtu Value at Risk (viz. dále), atd. Pro zvládnutí těchto úkolů je třeba znát základní principy stochastických procesů: Brownův pohyb Wienerův proces Stochastické diferenciální rovnice (SDE) Itoovo lema
5 Úvod do problematiky stochastických procesů Stochastické modely v energetice Brownův pohyb Původně fyzikální význam popisuje neustálý a neuspořádaný pohybčástic/molekul Z matematického hlediska je to stochastický proces Nejčastější příklad realizace tzv. Wienerova procesu Ekonomická aplikace Brownova pohybu Ceny aktiv na finančních trzích se podle teorie dokonalých trhů chovají zcela náhodně a nezávisle na předchozím vývoji Brownův pohyb je tedy ideální nástroj popisující chování cen aktiv (akcie, měny, komodity) Wienerův proces Je to náhodný proces se spojitým časem W(t), t>0, W(0)=0 Přírůstek Wienerova procesu W(t)-W(s) je Gausovský se střední hodnotou E(x)=0 Přírůstky Wienerova procesu jsou na sobě nezávisle
6 Úvod do problematiky stochastických procesů Stochastické modely v energetice Úvod do problematiky stochastických procesů bude odvozen na jednoduchou aplikaci Wienerova procesu vývoj ceny akcie. Přechod z diskrétní do spojité dynamiky Nechť dw je přírůstek Wienerova procesu za čas dt, tj.: W W( t t) W( t) Pak změnu Wienerova Z(t) pro čas dz( t) adt bdw ( t) Kde: a, b jsou konstanty a t 0 dw limw t0 můžeme napsat jako K tomu, abychom mohli popsat chování ceny určitého aktiva (např. akcie) v čase nám poslouží následující modifikace SDE: ds Sdt SdW Kde: ds je okamžitý přírustek ceny akcie μ je trend ve vývoji ceny akcie s je volatilita akcie dw je přírustek Wienerova procesu
7 Úvod do problematiky stochastických procesů Stochastické modely v energetice Abychom mohli výše uvedenou rovnici vyřešit, využijeme Itoovo lemma. Itoovo lemma je obdoba Taylorova rozvoje pro stochastické prostředí Taylorův rozvoj Itoovo lemma 2 df 1 d F df dx dx 2 dx 2 dx 2 df 1 d F df dx dt 2 dx 2 dx 2 Velmi malé přírůstky funce F(X+dX) můžeme aproximovat pomocí Taylorova rozvoje, v případě deterministických proměnných, a pomocí Itoova lemma, v případě stochastických proměnných Nechť S(X(t+h)) S(X(t)) je přírůstek ceny ( v našem případě akcie) v intervalu t+h a F(S) = ln (S) Potom, s využitím Itoova lemma a můžeme napsat původní SDE do následujícího tvaru: 2 df d F df ds S dt Sdt SdX dt dt dx ds 2 ds S 2 2
8 Úvod do problematiky stochastických procesů Stochastické modely v energetice Integrováním dostáváme 1 t 2 S t S 0 exp t dx 2 0 Pro simulaci vývoje ceny akcie musíme převést předchozí spojitý tvar na diskrétní formu. Nejčastější metodou je tzv. Eulerova metoda. Diskrétní tvar logaritmické náhodné procházky ceny akcie je následující: kde: S 1 2 t t St S St exp t t Φ je náhodná veličina z rozdělení N(0,1) t je časový krok μ je očekávaná výnosnost akcie σ je volatilita ceny akcie 2 Nyní se podíváme na specifické charakteristiky časových řad cen kontraktů s elektrickou energií
9 Charakteristiky časových řad Stochastické modely v energetice Elektrická energie je neskladovatelná (resp. omezeně skladovatelné) aktivum, z čehož plyne řada specifik chování a charakteristik cenových řad spotových (denních i hodinových) i termínových kontraktů: Spotové kontrakty: V porovnání s časovými řadami termínových kontraktů i většiny finančních aktív, jsou cenové časové řady více volatilní Běžná je existence extrémních cenových skoků (jump diffusion) Cena má tendenci navracet se k určité rovnovážné úrovní (mean reverting) Časové řady zpravidla obsahují i sezónní složku Rozdělení výnosů není normální Termínové kontrakty Neskladovatelnost aktíva znemožňuje využití cost-of-carry modelu Nízka likvidita termínových kontraktů A mnoho dalších specifik!
10 Charakteristiky časových řad Stochastické modely v energetice Ilustrace sezónního charakteru časových řad spotových denních kontraktů s elektrickou energií: Deterministická sezónní funkce může mít podobu: x t xt 1 1 2WD1, t 3WD2, t 4WD3, t 5WD4, t 6WD5, t 7WD6, t 8WD7, t et Odhadnuté parametre funkce (ilustrace): ; µ 1 µ 2 µ 3 µ 4 µ 5 µ 6 µ 7 µ 8 APX BL POWERNEXT BL PHELIX BL
11 Charakteristiky časových řad Stochastické modely v energetice Charakteristiky sezónně očištěných časových řad:
12 Vztah cen spotových a forwardových kontraktů Stochastické modely v energetice Příklad vztahu spotové a forwardové ceny u skladovatelného aktíva: 25, ,8 24,6 24,4 24, ,8 23,6 23,4 23,2 EUECZK spot EURCZK 12M fwd
13 Vztah cen spotových a forwardových kontraktů Stochastické modely v energetice Příklad vztahu spotové a forwardové ceny neskladovatelného aktíva elektrické energie: EEX spot day ahead EEX future year ahead 10 0
14 Vztah cen spotových a forwardových kontraktů Stochastické modely v energetice Informace o cenách termínových kontraktů a jejich vývoji Spot BL Index CZ F PXE CZ BL CAL Spot Price PXE Close 15 Oceňování skladovatelných komodit Tzv. Cost of carry model Ft,T St 1 c Kde c jsou náklady přenosu aktíva, T je čas splatnosti forwardového/futures kontraktu, S t je spotová cena kontraktu a F t,t je forwardová / futures cena kontraktu uzavřeného dnes se splatností v čase T. Oceňování neskladovatelných komodit Tzv. Equilibrium pricing T t F t, T EST t, T 45 Cena forwardového kontraktu v čase t pro období dodávky v rámci periody T (F t,t ) je daná očekávanou spotovou cenou elektrické energie v rámci periody T (E(S T )) a rizikovou prémii (π t,t ).
15 Modely spotových denních kontraktů Stochastické modely v energetice Nejčastěji využívaným model je pro spotové denní kontrakty s elektrickou energii je tzv. Jump Diffusion Mean Reverting Process Je dán vztahem: dx t dt dtwt Jdq; Kde µ substituuje x x t, dq představuje Poissonov process kde dq = 1 s pravděpodobností λ a dq = 0 s pravděpodobností 1-λ. Předpokládáme, že skok má normální rozdělení s volatilitou σj a průměrem J. Význam parametrů definovaných v předešlém textů zůstává neměnný (od akcií ale přecházíme k elektrické energii). Odhad parametrů (metoda A) modelu lze standardně provést metodou maximální věrohodnosti (maximum likelihood estimation) s využitím funkce hustoty (density function) Lazenets, Senchyna [2005]: f x N n0 n! e n J x nj exp n J 2 ; Další z možných přístupu (metoda B) kalibrace spočívá ve vyčlenění extrémních hodnot a spočtení parametrů (J, σj, λ). Reziduální časovou řadu využijeme ke kalibraci parametrů (η,,σ). x
16 Modely spotových denních kontraktů Stochastické modely v energetice Mezi další z možných přístupů patří modely s proměnlivými režimy, eventuálně tzv. Extreme Value Theory Podstatou modelů s proměnlivými režimy je existence dvou nebo více režimů a pravděpodobnosti přechodu mezi jednotlivými režimy. Koncept Extreme Value Theory vychází z úvahy, že změny (denní výnosy) menší než určitá prahová úroveň, nenesou v sobě informace o extrémních změnách přesahující tuto prahovou úroveň. K modelování chvostů využijeme pouze extrémní hodnoty přesahující tuto prahovou úroveň. K modelování denních spotových kontraktů se sezónními efekty dnů v týdnu a volných dnů lze využít následující funkci: Hol WP ln Hol DayLevel t WP jeintra týdenní efekt t t že se jedná o pracovní den DayLevel je parameter t 1 Hol 0,1 který nabývá hodnoty 1 v přřípaděže se jedná o den pracovného pokoje a 0 v přřípadě tmon,...sun tsun t DayLevel t, kde
17 Modely spotových hodinových kontraktů Stochastické modely v energetice Chování cen hodinových spotových kontraktů je dokonce komplikovanější než chování cen spotových denních kontraktů. Můžeme rozlišovat peak, off peak hodiny. Cena i množství pak záleží na denním čase, počasí, aktuálním období, dni v týdnu apod. Kromě metod založených na stochastických procesech lze využít tzv. historical profile sampling. Ceny spotových denních kontraktů pro budoucí období jsou generovány z historických dát, náhodným výběrem. Před samotným výběrem jsou historické data seskupené dle předdefinovaných charakteristik: leto/zima, pracovní den/víkend/státní svátek, spike/no spike. Samotnému generování scénářů může předcházet stochastické modelování spotových denních cen, pro určení jestli se jedná o spike/no spike den.
18 Modely termínových kontraktů Stochastické modely v energetice Stochastické modelování volatility cen termínových kontraktů s elektrickou energií může být nepřímé tj. z odvozené ze stochastických modelů pro spotové ceny a přímé. V této přednášce se zaměříme na druhý způsob, tzv. přímé modelování volatility termínových kontraktů. Vhodným modelem je tzv. Dvoj-faktorový model (angl. Two-factors model). Model dokáže přímo zachytit empiricky pozorovaný fakt, že kontrakty s kratší dobou do maturity/počátku období dodávky mají vyšší volatilitu, než kontrakty, které mají dobou do maturity delší. Dynamika ceny forwardu s elektrickou energií může být dána vztahem: F t, T t, T Ft, T dwt t, T t, T df W t, kde je cena 1MWh termí nového kontraktu je d - dimenzioná lna deterministická funkce jea d -dimenzionálný Brownůr pohyb v čase t s periodovdodání, která začačí v časet volatility
19 Modely termínových kontraktů Stochastické modely v energetice Dvoj-faktorový model je vyjádřen vztahem: t df F t, T, T e tt 1 2 dw 1 t dw 2 t Volatilita je daná dvojdimenzionálním Brownovým pohybem a parametry: T t t T e, 1, 2 kde první faktor reprezentuje exponenciálně klesající funkci volatility. S vyšším T-t, se váha σ1 snižuje, kde se pro kontrakty s delší dobou do splatnosti může blížit k nule. Druhý faktor σ2 udržuje nenulovou volatilitu i pro kontrakty s delší dobou do začátku období dodávky. Ekonomická interpretace: první faktor reprezentuje zvýšenou tržní aktivitu kontraktu s kratší dobou do dodávky kontraktu a tudíž i volatilitu kontraktu, spojenou se znalosti počasí, nečekaných události apod. Druhý faktor reprezentuje dlouhodobou nejistotu.
20 Řízení tržních rizik Řízení finančních rizik v energetice 1. Stochastické modely v energetice 2. Řízení tržních rizik Tržní rizika Představení simulací Monte Carlo Value at Risk Analýza citlivosti Stresové testování Systém limitů Zajištění tržního rizika Cross product hedging Řízení rizika likvidity 3. Řízení kreditních rizik
21 Tržní rizika Řízení tržních rizik Tržní riziko řadíme mezi rizika finanční, společně s kreditními, operačními a rizikem lividity. Tržní riziko se dál člení (dle trhu/podkladového aktíva) na měnové, úrokové, komoditní a akciové. Tržní riziko vyplývá ze změn tržních podmínek (zejména cen) a jejich dopadu na zisk (resp. hodnotu vlastního kapitálu) dané společnosti. Výše tržního rizika závisí na struktuře bilance z hlediska citlivosti jednotlivých položek aktiv a pasiv na změny tržních cen.
22 Představení simulací Monte Carlo Řízení tržních rizik Monte Carlo simulace je (někdy uváděná i jako synonymum počítačové simulace) typ výpočetního algoritmu založeném na opakovaném generování náhodných (resp. pseudonáhodných) čísel a výpočtu požadovaných výsledků. Jedná z definic počítačových simulací zní: Simulace je numerická metoda složitých pravděpodobnostních dynamických systému pomoci experimentování s počítačovým modelem. Simulace Monte Carlo má v dnešním procese risk managementu bohaté využití.
23 Představení simulací Monte Carlo Řízení tržních rizik Dynamika modelovaného systému je klíčová z pohledu využití matematickostatistického aparátu: Čas spojitý Čas diskrétní Stavy spojité diferenciální rovnice diferenční rovnice Stavy diskrétní simulace diskrétních udalostí Markovy řetězce Příklady jednotlivých typů systémů: Čas spojitý Čas diskrétní Stavy spojité vývoj ceny akcie vývoj čtvrtletního HDP Stavy diskrétní default podniku stav stroje
24 Value at Risk Řízení tržních rizik Value at Risk (VaR) je široce využívaná metod kvantifikace/měření rizika ztráty v rámci specifického portfolia finančních nebo komoditních aktív. Pro dané portfolio, hladinu pravděpodobnosti/confidence level a časový horizont je VaR definován jako prahová hodnota ztráty, pro kterou platí, že pravděpodobnost mark-to-market ztráty, která přesahuje tuto prahovou hodnotu, na daném portfoliu a při daném časovém horizontu, nastane s pravděpodobností nižší než je daná hladina pravděpodobnosti/conficence level. Matematicky lze VaR definovat jako VaR inf l : P L 1 1 inf l : F L l kde pro hladinu pravděpodobnosti/konfidenční interval platí 0,1 a VaRα daného portfolia je dané nejnižším číslem l takovým pro které platí že pravděpodobnost ztráty L která je větší než l nepřesahuje 1-α VaR slouží k měření expozice vůči riziku, i k limitaci rizika stanovení tzv. VaR limitů.
25 Value at Risk Řízení tržních rizik Grafické znázornění podstaty VaR: Nejběžnější metody výpočtu VaR jsou: Metoda Variance-Covariance Metoda historické simulace Monte Carlo simulace (viz. předešlá část přednášky)
26 Value at Risk Řízení tržních rizik Grafické znázornění podstaty VaR:
27 Value at Risk Řízení tržních rizik Koncept VaR není bezchybný, jeho omezení je důležité znát: necharakterizuje velmi málo pravděpodobné ztráty není subaditivní není vpředhledící neuvažuje náklady likvidace je statický (počítán například z end of day dat) Koncept Conditional Value at Risk (CVaR) charakterizuje i málo pravděpodobné ztráty a v kontextu poslední doby jeho popularita roste. CVaR je střední hodnota ztrát přesahující VaR, a bývá také označován pojmem Expected Shortfall (ES).
28 Analýza citlivosti Řízení tržních rizik Analýza citlivosti je technika pomoci které kvantifikujeme velikost změny závislé proměnné jakožto reakci na změnu předdefinované nezávislé proměnné. Ve financích je často využívaná durace, ukazatel Basis Point Value (BPV), u opcí tzv. greeks. Ve finančním řízení rizik v energetice lze najít využití zejména v: kvantifikaci expozici portfolia vůči předefinované změně cen nastavení limitu založené na analýze citlivosti analýza citlivosti rozdělená do předdefinovaných časových pásem
29 Stress testing Řízení tržních rizik Stress testing je forma testování stability daného systému/entity. Základem stress testingu je generování a využívaní scénářů. Generování může probíhat na následujících úrovních: Extrémní události: použité scénáře jsou generovány na základě historických událostí. Jedná se o přímé generování P/L pro dané portfolii. Šoky rizikových faktorů/šoky externích faktorů: Nejedná se o generování P/L přímo ale o stresové scénáře rizikových či externích faktorů. P/L je následně kalkulováno s využitím korelačních matic, regresních modelů a jiných deterministických přístupů. Význam stress testingu prudko vzrostl s nástupem součastné finanční krize.
30 Systém limitů Řízení tržních rizik Představené metody je vhodné používat v rámci systému limitů: Poziční limity Stop loss limity definují maximální objem otevřených pozic na úrovní kontraktů/typu podkladového aktíva/typu produktu/portfolia. Omezuji tržní riziko, resp. riziko ztráty ex-ante. definuji maximální velikost ztráty která může být na různé úrovní dosažená, aniž by došlo k nucenému uzavíraní pozic. Působí ex-post, tj. až po dosažení dané ztráty. Vhodné je využívat i tzv. warning stop loss limity. Roll over S/L limity omezují realizovanou ztrátu počítanou kumulatívně za předem vymezené období, klouzavě. Vhodné jsou i tzv. warning úrovně, působí ex-post. VaR limity Limity omezující maximální VaR portfolia/celé společnosti. Jsou důležitou součástí systémů limitů protože působí ex-ante a na rozdíl od pozičních limitů zohledňují i tržní podmínky jako volatilita, korelace apod. Limity senzitivity Omezují citlivost P/L portfolia/celé společnosti na změnu tržních faktorů. Působí ex-ante.
31 Zajištění tržního rizika Řízení tržních rizik Tržní rizika lze uplně nebo částečně zajistit následujícími způsoby: příme snížení pozice: jednoduchý způsob, není vždy možný otevření opačné pozice - identický kontrakt otevření opačné pozice - kontrakt není identický no v určitém pozitivním vztahu k součastnému portfoliu otevření derivátové pozice burzovní/standardizovaný nebo OTC/na míru přirozený hedging
32 Cross product hedging Řízení tržních rizik V případě statisticky významného pozitivního nebo negativního vztahu mezi různými produkty (mírně odlišná povaha produktu, jiný podkladový instrument, různá maturita/začátek období dodávky kontraktu) lze kombinací těchto produktu v rámci jednoho portfolia dosáhnout tzv. částečný hedging tržního rizika, případně jiných portfolio efektů. V této souvislosti je ale nutné mít na paměti nedostatky, často využívané míry vzájemného vztahu, kterým je Pearsonův korelační koeficient: Corr X Cov X, Y, Y,kde CovX, Y X X Y Y VarX VarY 1. Korelace není míra závislosti Uvažujme X ~ N(0,1) a Y = X 2, Corr(X,Y) je velmi blízka nule, případně rovná nule v případě dostatečně velkého vzorku. Vztah, resp. závislost veličín X a Y bezesporu jestvuje. Korelace měří pouze lineární vztah! 2. Korelace je skalární veličina (vyjádřená jediným číslem) Nedokáže tudíž popsat celou strukturu vztahů, neříká nic o vztazích v případě extrémních pozorováni (tzv. tail dependence) apod.
33 Cross product hedging Řízení tržních rizik 3. Korelace není neutrální vůči některým transformacím Korelace mezi log(x) a log(y) není stejná jako korelace mezi X a Y. 4. Korelace může být nestabilní Korelace mezi dvěma proměnnými je obvykle velmi nestabilní a záleží na tom jak dlouhou historii vezmeme v podtaz. Korelační koeficient počítán z historických dat vnímáme pouze jako bodový odhad. Intervalový odhad lze získat pomocí Fischerové r-z transformace. z 1 ln z 1 z u n 3 z n 3 Kde z je transformovaná hodnota se střední hodnotou E(z) a normálním u rozdělením. ρ 1 představuje výběrový korelační koeficient, n je počet pozorovaní a 2 je percentil normálního rozdělení. 2 z u 5. Vícero závislostních struktur vede k nepřesné korelaci Pro dvě období (t 0, t m ) a (t m, t n ) kde t 0 < t m < t n uvažujeme dvě závislostní struktury. Y= X j pro t období (t 0, t m ) a Y = X k pro období (t m, t n ), kde j, k jsou konstanty větší než nula. Corr(X,Y)(t 0, t m ) = 1 a Corr(X,Y)(t m, t n ) = 1 ale Corr(X,Y)(t 0, t n )
34 Cross product hedging Řízení tržních rizik Vhodnou náhradou korelačního koeficientu může být tzv. Copula funkce. Zachycuje celu strukturu vztanů mezi n proměnnými tzv. n-dimenzionální distribuční funkcí. Copula funkce se nejčastěji dělí na tzv. eliptické copula funkce (například normální a studentova) odvozené z příslušných rozdělení pomocí Sklarovy věry a archimedovské copula funkce (například Gumbelova, Claytonova a Frankova) jsou vytvořeny uměle pomoci speciálních generátoru. Příklad n-dimenzionální distribuční funkce:
35 Řízení rizika likvidity Řízení tržních rizik Základem řízení rizika likvidity je důkladný monitoring finančních toků, jejich mapování a modelování. Outflow založen na monitoringu a znalosti v budoucnosti splatných závazku společnosti. Kromě fixně daných plateb je nutné počítat s nahodilými událostmi, nepříznivým vývojem ceny termínových kontraktů kde je nutné vypořádání negativního P/L a podobně. K modelování vývoje cen využijeme stochastické modely z první části. Další události můžou mít deterministicky, sezónní nebo jiný charakter. Je důležité pracovat s určitým confidenčním intervalem. Inflow založen na monitoringu a znalosti budoucích splatných pohledávek. Je nutné počítat s možností zdržení plateb kde průměrná doba splatnosti pohledávek představuje pouze střední hodnotu, nikoli odhad s patřičným konfidenčním intervalem. Opět je nutné využít stochastické nebo deterministické modely. Inflow Outflow sledujeme jako určitou predikci v čase od t0 do předem definované budoucnosti. Podmínkou jsou vhodně natavené limity trigger points.
36 Řízení kreditních rizik Řízení finančních rizik v energetice 1. Stochastické modely v energetice 2. Řízení tržních rizik 3. Řízení kreditních rizik Řízení kreditních rizik Expozice vůči kreditnímu riziku Credit Valuation Adjustment Význam burzy na velkoobchodním trhu Rating a scoring analýza
37 Řízení kreditních rizik Řízení kreditních rizik Kreditní riziko je riziko vyplývající z neschopnosti nebo neochoty protistrany splatit své závazky. V procese řízení kreditního rizika je nezbytné přesně znát expozici vůči kreditnímu riziku, odhadovat pravděpodobnost realizace/defaultu protistrany a tzv. recovery rate tj. procento návratnosti pohledávky za dlužníkem, který je v úpadku/nebo neochotny svůj závazek uhradit. Podmínkou řízení kreditního rizika je podobně jako v případě ostatních rizik důkladný monitoring součastné ale i očekávané expozice a bonity klienta. Na rozdíl od tržních rizik nejsou potřebné data běžně k dispozici (tržní ceny jsou), a obzvlášť data sloužící k posouzení bonity/kreditní kvality protistrany si musí energetická společnost shromažďovat cílevědomě, dbát o jejich kvalitu, aktualizaci a historizaci. Ve vztahu zákazník-dodavatel hraje významnou roli smluvní zabezpečení hraničí s rizikem právním.
38 Expozice vůči kreditnímu riziku Řízení kreditních rizik Expozici vůči kreditnímu riziku je možné efektivně snižovat kolaterálem, zálohovými platbami, marginingem apod. Důležité je znát aktuální stav expozice ale i predikci možnou budoucí expozici vůči protistraně. Tzv. potenciální expozici můžeme získat stochatickou simulací. Potenciální budoucí expozici u termínových kontraktů rozumíme potencionální budoucí kladnou hodnotu derivátu. V případě, že je derivát in the money a protistrana vyhlásí default přicházíme o zmíněnou kladnou hodnotu, eventuálně se na trhu musíme uzavřít za aktuálních tržních podmínek tzv. replacement costs. Podobně jako v precese řízení tržních rizik, i zde je nutné pracovat se systémem limitů, vhodné je sledovat limity na jednotlivé subjekty, ekonomické skupiny, segmenty, limity angažovanosti a pod. Limity na jednotlivé entity můžou být členěny dle typu produktu a povahy existujícího kreditního rizika. Vhodná je diverzifikace kreditního portfolia.
39 Credit Valuation Adjustment Řízení kreditních rizik Riziko selhání protistrany musí být řízené efektivně a aktivně. Riziko selhání protistrany mají obě strany termínového/derivatového obchodu, i když je tržní riziko zajištěné. Kreditní riziko protistrany není v čase stabilní, statické, závisí také na vývoji tržních faktorů. Riziko selhání protistrany by mělo být zahrnuté v ceně kontraktu Credit Valuation Adjustment (CVA). Ztrátu realizujeme v případě, že protistrana defaultuje a zároveň má kontrakt z (našeho pohledu) pozitivní současnu hodnotu (za předpokladu smluvního ujednání o nettingu pohledávek/plateb). Důležité je zahrnutí všech dojednání o zálohových platbách, marginingu, P/L vypořádání, do kalkulace CVA. Vztah mezi vývojem tržních faktorů a pravděpodobnosti defaultu nazýváme wrong way risk.
40 Credit Valuation Adjustment Řízení kreditních rizik Uvažujme termínový kontrakt maturující v čase T, kterého hodnota (neuvažující možnost defaultu protistrany v čase t je rovná V(t,T). Cena by měla být upravená o kreditní riziko, o CVA: t, TVt, TCVA t T VRisky, kde CVA je definován vztahem: T S Q CVA 1 RC E exp rudu ESC sdpdct, s t t kde RC je recovery rate protistrany, PDC je pravděpodobnost defaultu protistrany, r u je úroková sazba, EQ je očekávaná hodnota portfolia a ES je hodnota portfolia v čase t. Očekávanou hodnotu portfolia a potencionální hodnotu portfolia získáme stochastickou simulací. V praxi je nutno rozlišovat, jestli CVA aplikuje jedna nebo obě strany obchodu vzájemně.
41 Význam burzy na velkoobchodním trhu Řízení kreditních rizik Význam burzy z pohledu řízení kreditního rizika spočívá v existenci tzv. centrální protistrany, clearingových bank, clearingového fondu apod. Obchody uzavřené přes PXE, nebo uzavřené OTC a na PXE registrované nenesou riziko selhání konkrétní protistrany! * Obrázek zdroj:
42 Význam burzy na velkoobchodním trhu Řízení kreditních rizik Risk management burzy a clearingových i neclearingových účastníku je postaven na několika nástrojích: centrální protistrana (ošetřuje riziko účastníků obchodování) existence clearingových účastníků/bank (ošetřuje riziko burzy a v konečnem důsledku i riziko účastníků) denní vypořádaní zisků a ztrát, skládaní tzv. marží k otevřeným pozicím účastníka systém limitů (ošetřuje riziko clearingových bánk, burzy a v konečném důsledku i riziko účastníků) existence clearingového fondu, tvůrců trhu a jiné
43 Význam burzy na velkoobchodním trhu Řízení kreditních rizik Znalost expozice vůči kreditnímu riziku nestačí. Důležitá je pravděpodobnost selhání protistrany daná jeho kreditní sílou solvenci. Výpočet, odhad pravděpodobnosti defaultu je založen na statistických metodách jako logistická regrese, probit apod. Známe je například Altmanovo Z-score. Předpokladem a základním vstupním prvkem statistických analýz je kvalitní datová základna. Její budování a udržování je v gesci samotné společnosti. Jiné data jsou dostupné pro retailovou klientelu (věk, vzdělání, rodinný stav, pŕíjem), jiné pro klientelu firemní (účetní položky a pod) sběr dat a následná statistická analýza je v této souvislosti také odlišná. Pro retailovou klientelu Kreditní skóre je numerické vyjádření solvence osoby založené na statistické analýze. Pro firemní klientelu Kreditní rating odhaduje solvenci osoby, společností nebo krajiny. K výpočtu je využívaná statistická analýza a vstupní údaje jako historie finanční historie entity, součastný stav aktív, závazku a kapitálu.
44 Závěr Řízení finančních rizik v energetice Rekapitulace / Diskuze a vlastní zkušenosti
45 Reference Řízení finančních rizik v energetice ARLT, J., M., ARLTOVÁ, M.: Ekonomické časové řady. Grada Publishing, Praha, BARAN, J.: Analýza a porovnání různých modelů pro Value at Risk na nelineárním portfoliu. Katedra pravděpodobnosti a matematické statistiky, CARTEA, A., MARCELO, G.F.: Pricing in Elektricity Markets: a mean reverting jump diffusion model with seasonality. University of London, 2005 CULOT, M., GOFFIN, V., LAWFORD,S. a kol: An Affine Jump Diffusion Model for Electricity. Electrabel SA, CRAINE, R., LOCHSTOER L., SYRTVEIT, K.: Estimation of a Stochastic-Volatility Jump-Diffusion Model. University of California at Berkley, ČULÍK, M., VALECKÝ, J.: Non-linear Modelling of Electricity Price: Self Exciting Threshold Auto-Regressive Approach. Mezinárodní konference Finanční řízení podniků a finančních institucí, Ostrava, DIXIT, A.K., PINDYCK R.S.: Investment Under Uncertainty, Princeton University Press, Princeton, NJ, 1994 EMBRECHTS, P., MCNEAIL, A., STRAUMANN, D.: Correlation: Pitfalls and Alternatives. ETH Zentrum, Zurich, GARCIA FRANCO, J.C.: Maximum likelihood estimation of mean reverting process. HORNÍK, T., DRAHOVZAL, O.: Nová rizika v energetice velkoobchodní trh s elektřinou. Ekonomika a Management, Praha, 2008.
46 Reference Řízení finančních rizik v energetice LYZANETS, N., SENCHYNA, M.: Comparing different Value-at-Risk models for hedge funds. University of Lausanne, LYZANETS, N., SENCHYNA, M.: Comparing different Value-at-Risk models for hedge funds. University of Lausanne, MEYER-BRANDIS, T.,TANKOV, P.: Multi-factor jump-diffusion models of elektricity prices. Europlace Institute of Finance, PAPEŽ, M.: Verifikace VaR modelu back testing PAPEŽ, M.: Stochastické modelování úrokových sazeb RUEDIGER, K., SCHINDLMAYR G., REIK, H. B.: A Two-Factor Model for the Electricity Forward Market. Universtat Karlsruhe, Karlsruhe, 2005 ECC margining. Leipzig: ECC, AG, Trading Rules. Praha: Power Exchange Central Europe, a.s.,
Změna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceCredit Valuation Adjustment
Credit Valuation Adjustment Seminář Moderní nástroje pro finanční analýzy a modelovaní Michal Papež, Igor Paholok Market Risk Monitorig UniCredit Bank Czech Republic Credit Valuation Adjustment Představení
VíceZměna hodnoty pozice v důsledku změn tržních cen.
Tržní riziko Změna hodnoty pozice v důsledku změn tržních cen. Akciové riziko Měnové riziko Komoditní riziko Úrokové riziko Odvozená rizika... riz. volatility, riz. korelace Pozice (saldo hodnoty očekávaných
VíceValue at Risk. Karolína Maňáková
Value at Risk Karolína Maňáková Value at risk Historická metoda Model-Building přístup Lineární model variance a kovariance Metoda Monte Carlo Stress testing a Back testing Potenciální ztráta s danou pravděpodobností
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
VíceVybrané poznámky k řízení rizik v bankách
Vybrané poznámky k řízení rizik v bankách Seminář z aktuárských věd Petr Myška 7.11.2008 Obsah přednášky Oceňování nestandartních instrumentů finančních trhů Aplikace analytických vzorců Simulační techniky
VíceIng. Ondřej Audolenský
České vysoké učení technické v Praze Fakulta elektrotechnická Katedra ekonomiky, manažerství a humanitních věd Ing. Ondřej Audolenský Vedoucí: Prof. Ing. Oldřich Starý, CSc. Rizika podnikání malých a středních
VíceINFORMACE O RIZICÍCH
INFORMACE O RIZICÍCH PPF banka a.s. se sídlem Praha 6, Evropská 2690/17, PSČ: 160 41, IČ: 47116129, zapsaná v obchodním rejstříku vedeném Městským soudem v Praze, oddíl B, vložka 1834 (dále jen Obchodník)
VíceMetodický list - Finanční deriváty
Metodický list - Finanční deriváty Základní odborná literatura vydaná VŠFS: [0] Záškodný,P., Pavlát,V., Budík,J.: Finanční deriváty a jejich oceňování.všfs,praha 2007 Tato literatura platí v plném rozsahu,
VíceMatematicko-fyzikální fakulta Univerzity Karlovy
Oceňování finančních derivátů ve spojitém čase Václav Kozmík Matematicko-fyzikální fakulta Univerzity Karlovy 4. 10. 2010 Úvod Stochastický kalkulus Wienerův proces stochastické procesy Itoovo lemma změna
VíceTomáš Cipra: Matematika cenných papírů. Professional Publishing, Praha 2013 (288 stran, ISBN: ) ÚVOD.. 7
Tomáš Cipra: Matematika cenných papírů. Professional Publishing, Praha 2013 (288 stran, ISBN: 978-80-7431-079-9) OBSAH ÚVOD.. 7 1. DLUHOPISY.. 9 1.1. Dluhopisy v praxi... 9 1.1.1. Princip dluhopisů 9 1.1.2.
VíceRizika na liberalizovaném trhu s elektřinou
Rizika na liberalizovaném trhu s elektřinou Fórum užívateľov prenosovej sústavy, Košice 27. a 28.3.2003 Tento dokument je určen výhradně pro potřebu klienta. Žádná jeho část nesmí být zveřejněna, citována
VíceIAS 39: Účtování a oceňování
IAS 39: Účtování a oceňování Josef Jílek člen Standards Advice Review Group březen 2007 Program Definice Zajišťovací účetnictví Vložené deriváty Deriváty na vlastní kapitálové nástroje Odúčtování aktiv
VíceFINANČNÍ A INVESTIČNÍ MATEMATIKA Metodický list č. 1
FINANČNÍ A INVESTIČNÍ MATEMATIKA Metodický list č. 1 Název tématického celku: Úroková sazba a výpočet budoucí hodnoty Cíl: Základním cílem tohoto tematického celku je vysvětlit pojem úroku a roční úrokové
VíceZáklady teorie finančních investic
Ing. Martin Širůček, Ph.D. Katedra financí a účetnictví sirucek.martin@svse.cz sirucek@gmail.com Základy teorie finančních investic strana 2 Úvod do teorie investic Pojem investice Rozdělení investic a)
VíceFINANČNÍ A INVESTIČNÍ MATEMATIKA 2
FINANČNÍ A INVESTIČNÍ MATEMATIKA 2 Metodický list č. 1 Název tématického celku: Dluhopisy a dluhopisové portfolio I. Cíl: Základním cílem tohoto tematického celku je popsat dluhopisy jako investiční instrumenty,
VíceRovnovážné modely v teorii portfolia
3. září 2013, Podlesí Obsah Portfolio a jeho charakteristiky Definice portfolia Výnosnost a riziko aktiv Výnosnost a riziko portfolia Klasická teorie portfolia Markowitzův model Tobinův model CAPM - model
VíceSTANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák
STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ J. Pruška, T. Parák OBSAH: 1. Co je to spolehlivost, pravděpodobnost poruchy, riziko. 2. Deterministický a pravděpodobnostní přístup k řešení problémů.
VíceManažerská ekonomika KM IT
KVANTITATIVNÍ METODY INFORMAČNÍ TECHNOLOGIE (zkouška č. 3) Cíl předmětu Získat základní znalosti v oblasti práce s ekonomickými ukazateli a daty, osvojit si znalosti finanční a pojistné matematiky, zvládnout
VícePříručka k měsíčním zprávám ING fondů
Příručka k měsíčním zprávám ING fondů ING Investment Management vydává každý měsíc aktuální zprávu ke každému fondu, která obsahuje základní informace o fondu, jeho aktuální výkonnosti, složení portfolia
VíceKreditní riziko. hodnoty podniku, způsoben. že e protistrana
Kreditní riziko Kreditní riziko je pravděpodobnost podobnost změny hodnoty podniku, způsoben sobené tím, že e protistrana nesplní svůj j závazek. z Míra tržního rizika = pravděpodobnost neplnění (= 1-bonita)...
VíceŘízení rizik - trendy a výzvy
Řízení rizik - trendy a výzvy Jiří Witzany Praha, 28.dubna 2010 Obsah O společnosti Quantitative Consulting Principy řízení rizik Výzvy a problémy implementace Basel II Poučení z krizového vývoje Basel
VícePříručka k měsíčním zprávám ING fondů
Příručka k měsíčním zprávám ING fondů ING Investment Management vydává každý měsíc aktuální zprávu ke každému fondu, která obsahuje základní informace o fondu, jeho aktuální výkonnosti, složení portfolia
VíceEKONOMETRIE 7. přednáška Fáze ekonometrické analýzy
EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých
VíceDetermination Value at Risk via Monte Carlo simulation Stanovení Value at Risk pomocí metody simulace Monte Carlo
Determination Value at Risk via Monte Carlo simulation Stanovení Value at Risk pomocí metody simulace Monte Carlo Kateřina Zelinková 1 Abstract The financial institution, namely securities firms, banks
VíceŘízení rizik v podnikání. Ing. Stanislav Matoušek
Řízení rizik v podnikání Ing. Stanislav Matoušek Řízení rizik v podnikání Jestliže nemůžete řídit riziko, nemůžete ho kontrolovat. Pokud ho nemůžete kontrolovat, nemůžete ho řídit. To znamená, že hrajete
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceMěření kreditního rizika model CreditMetrics
Měření kreditního rizika model CreditMetrics Marcela Gronychová 21/11/2008 1 Obsah přednášky Přístupy k měření kreditního rizika Model CreditMetrics Koncept modelu Kreditní VaR pro 1 instrument Portfoliový
VíceOTC Clearing registrace obchodů na PXE manuál pro účastníky obchodování a brokery
OTC Clearing registrace obchodů na PXE manuál pro účastníky obchodování a brokery květen 08 Základní charakteristika > registrace bilaterální OTC transakce mezi dvěma účastníky obchodování do obchodního
VíceTomáš Cipra: Finanční a pojistné vzorce. Grada Publishing, Praha 2006 (374 stran, ISBN: 80-247- 1633-X) 1. ÚVOD... 17
Tomáš Cipra: Finanční a pojistné vzorce. Grada Publishing, Praha 2006 (374 stran, ISBN: 80-247- 1633-X) OBSAH SEZNAM NĚKTERÝCH SYMBOLŮ.... 13 1. ÚVOD.... 17 I. FINANČNÍ VZORCE.... 19 2. JEDNODUCHÉ ÚROČENÍ
VíceVýznam stress testingu v oblasti risk managemementu
Význam stress testingu v oblasti risk managemementu Daniel Heinrich 1 Abstrakt V příspěvku je popsána podstata a význam stressového testování v oblasti risk managementu finančních institucí, postup a techniky
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristiky často potřebujeme vyšetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VíceKRRB M E T O D Y A T E C H N I K Y
KRRB 2. P Ř E D N Á Š K A M E T O D Y A T E C H N I K Y Základní změna přístupu k řízení bankovních rizik Tradiční přístup: řízení rizik se soustřeďovalo na řízení aktiv a pasiv v bankovní bilanci (= banking
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceStochastické diferenciální rovnice
KDM MFF UK, Praha Aplikace matematiky pro učitele 15.11.2011 Kermack-McKendrickův model Kermack-McKendrickův model s vakcinací Model pro nemoc s rychlým šířením a krátkou dobou léčby. Příkladem takovéto
VíceProdukty finančních trhů a jejich rizika. Ostatní produkty
Produkty finančních trhů a jejich rizika Ostatní produkty datum platnosti a účinnosti od 01. 09. 2014 Obsah Úvod 3 Vysvětlivky 4 Popis rizik 4 Obecné 4 Charakteristiky opcí 5 Seznam zkratek 6 Riziko ztráty
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceAplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik
Aplikace teoretických postupů pro ocenění rizika při upisování pojistných smluv v oblasti velkých rizik Ondřej Pavlačka Praha, 18. ledna 2011 Cíle projektu Vytvořit matematický model pro oceňování přijímaného
VícePoznámky k předmětu Aplikovaná statistika, 4. téma
Poznámky k předmětu Aplikovaná statistika, 4. téma 4. Náhodné vektory V praxi se nám může hodit postihnout více vlastností jednoho objektu najednou, např. výšku, váhu a pohlaví člověka; rychlost chemické
VíceDERIVÁTOVÝ TRH. Druhy derivátů
DERIVÁTOVÝ TRH Definice derivátu - nejobecněji jsou deriváty nástrojem řízení rizik (zejména tržních a úvěrových), deriváty tedy nejsou investičními nástroji - definice dle US GAAP: derivát je finančním
VíceTématické okruhy. 4. Investiční nástroje investiční nástroje, cenné papíry, druhy a vlastnosti
Seznam tématických okruhů a skupin tématických okruhů ( 4 odst. 2 vyhlášky o druzích odborných obchodních činností obchodníka s cennými papíry vykonávaných prostřednictvím makléře, o druzích odborné specializace
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chb v této presentaci mě prosím upozorněte. Děkuji. Tto slid berte pouze jako doplňkový materiál není v nich
VíceNáhodný vektor. Náhodný vektor. Hustota náhodného vektoru. Hustota náhodného vektoru. Náhodný vektor je dvojice náhodných veličin (X, Y ) T = ( X
Náhodný vektor Náhodný vektor zatím jsme sledovali jednu náhodnou veličinu, její rozdělení a charakteristik často potřebujeme všetřovat vzájemný vztah několika náhodných veličin musíme sledovat jejich
VícePravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost
Pravidla a podmínky k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost (dále jen společnost) stanoví k vydání osvědčení o způsobilosti vykonávat aktuárskou činnost (dále jen osvědčení) následující
VícePREDIKCE FINANČNÍ TÍSNĚ
PREDIKCE FINANČNÍ TÍSNĚ možnosti předvídání finanční tísně podniků byly vždy předmětem zájmu a výzkumu mnohým by velmi vyhovovalo, kdyby bylo možné prohlásit, že se podnik během jednoho roku dostane do
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VícePravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1
Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu
VíceNáhodná veličina Číselné charakteristiky diskrétních náhodných veličin Spojitá náhodná veličina. Pravděpodobnost
Pravděpodobnost Náhodné veličiny a jejich číselné charakteristiky Petr Liška Masarykova univerzita 19.9.2014 Představme si, že provádíme pokus, jehož výsledek dokážeme ohodnotit číslem. Před provedením
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceKonverzní faktory, koeficienty a metody používané při výpočtu kapitálových požadavků k úvěrovému riziku obchodního portfolia a k tržnímu riziku
Příloha č. 20 Konverzní faktory, koeficienty a metody používané při výpočtu kapitálových požadavků k úvěrovému riziku obchodního portfolia a k tržnímu riziku A. Vypořádací riziko Konverzní faktory pro
VíceMezinárodní finanční trhy
Úvod Ing. Jan Vejmělek, Ph.D., CFA jan_vejmelek@kb.cz Investiční bankovnictví Náplň kurzu Úvod do mezinárodních finančních trhů Devizový trh a jeho instrumenty Mezinárodní finanční instituce Teorie mezinárodního
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceZáklady ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28
Základy ekonometrie XI. Vektorové autoregresní modely Základy ekonometrie (ZAEK) XI. VAR modely Podzim 2015 1 / 28 Obsah tématu 1 Prognózování s VAR modely 2 Vektorové modely korekce chyb (VECM) 3 Impulzní
VíceNÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:
NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného
VíceKlíčové informace pro investory
Klíčové informace pro investory I. Základní údaje V tomto sdělení investor nalezne klíčové informace o u. Nejde o propagační sdělení; poskytnutí těchto informací vyžaduje zákon. Účelem je, aby investor
VíceInformace. o finančních nástrojích a rizicích spojených s investováním
Informace o finančních nástrojích a rizicích spojených s investováním Společnost QuantOn Solutions, o. c. p., a. s. (Dále jen QuantOn Solutions nebo i obchodník) poskytuje klientovi v souladu s 73d odst.
VíceInvestiční nástroje a rizika s nimi související
Investiční nástroje a rizika s nimi související CENNÉ PAPÍRY Dokumentace: Banka uzavírá s klientem standardní smlouvy dle typu kontraktu (Komisionářská smlouva, repo smlouva, mandátní smlouva). AKCIE je
VíceModelování výnosové křivky a modelování úrokových nákladů státního dluhu Kamil Kladívko Odbor řízení státního dluhu a finančního majetku Úrokové náklady portfolia státního dluhu 2 Úrokové náklady státního
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VíceKGG/STG Statistika pro geografy. Mgr. David Fiedor 4. května 2015
KGG/STG Statistika pro geografy 11. Analýza časových řad Mgr. David Fiedor 4. května 2015 Motivace Úvod chceme získat představu o charakteru procesu, která časová řada reprezentuje Jaké jevy lze znázornit
VíceRiziko a klasifikace finančních rizik
Řízení rizik v odvětvích finančních služeb N_RRFS téma 1 Riziko a klasifikace finančních rizik Cvičení 1 Skupina cfph Zimní semestr 2013 Stručná osnova cvičení N_RRFS 1. Riziko obecně a podnikatelská rizika
VíceMartin Chudoba. Seminář - Stochastické modelování v ekonomii a financích KPMS MFF UK. dluhopisů pomocí. Black-Scholesova modelu. M.Chudoba.
Martin Chudoba s Seminář - Stochastické modelování v ekonomii a financích KPMS MFF UK 18.10.2010 Uvažujeme bezkupónový dluhopis vyplácející jednotku v čase T Za předpokladu konstantní úrokové míry r pro
Vícetransakční devizové riziko
Mezinárodní finance 6. Devizová expozice a devizové riziko transakční, ekonomická a účetní devizová expozice a riziko Devizová expozice definice Devizová expozice měří citlivost změn hodnot aktiv, pasiv
VíceHodnocení pomocí metody EVA - základ
Hodnocení pomocí metody EVA - základ 13. Metoda EVA Základní koncept, vysvětlení pojmů, zkratky Řízení hodnoty pomocí EVA Úpravy účetních hodnot pro EVA Náklady kapitálu pro EVA jsou WACC Způsob výpočtu
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
Více7.5 Závěry pro všechny metody hodnocení efektivnosti investic Příklady 86 8 MAJETKOVÁ STRUKTURA FIRMY Definice a obsah pojmů 88 8.
OBSAH PŘEDMLUVA 9 1 ÚVOD DO PODNIKOVÝCH FINANCÍ A FINANČNÍHO ŘÍZENÍ PODNIKU 11 1.1 Pojem, funkce a struktura podnikových financí a finančního řízení. 11 1.2 Finanční cíle podnikání, finanční politika podniku
VíceFinanční trhy. Finanční aktiva
Finanční trhy Finanční aktiva Magický trojúhelník investování (I) Riziko Výnos Likvidita Magický trojúhelník investování (II) Tři prvky magického trojúhelníku (výnos, riziko a likvidita) vytváří určitý
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceRNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.
Analýza dat pro Neurovědy RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr. Jaro 2014 Institut biostatistiky Janoušová, a analýz Dušek: Analýza dat pro neurovědy Blok 7 Jak hodnotit vztah spojitých proměnných
VíceStatistika II. Jiří Neubauer
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Zaměříme se především na popis dvourozměrných náhodných veličin (vektorů). Definice Nechť X a Y jsou
VíceKalibrace scoringových modelů
Kalibrace scoringových modelů Finanční matematika v praxi III Hotel Podlesí 3. 4. září 2013 Pavel Plát pavel.plat@rb.cz Raiffeisenbank a.s., Policy & Analysis 1. Scoringový model Business pohádka a trocha
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
Více8 Střední hodnota a rozptyl
Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení
VíceVysvětlivky k měsíčním reportům fondů RCM
Vysvětlivky k měsíčním reportům fondů RCM Rozhodný den Pokud není u jednotlivých údajů uvedeno žádné konkrétní datum, platí údaje k tomuto rozhodnému dni. Kategorie investic Třída aktiv a její stručný
VíceINFORMACE O INVESTIČNÍCH SLUŽBÁCH A NÁSTROJÍCH
INFORMACE O INVESTIČNÍCH SLUŽBÁCH A NÁSTROJÍCH 1. Údaje o Bance jako právnické osobě, která vykonává činnosti stanovené v licenci ČNB a základní informace související investičními službami poskytovanými
VíceVELKOOBCHODNÍ TRH V ČR 2008 1 ROK ZKUŠENOSTÍ Z FUNGOVÁNÍ (NEJEN) PXE
VELKOOBCHODNÍ TRH V ČR 2008 1 ROK ZKUŠENOSTÍ Z FUNGOVÁNÍ (NEJEN) PXE Luděk Horn, Ladislav Miškovský ČEZ, a. s. CHARAKTERISTIKA SYSTÉMU elektřina zařazena finančním sektorem do koše oblíbených energetických
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
Vícečasovém horizontu na rozdíl od experimentu lépe odhalit chybné poznání reality.
Modelování dynamických systémů Matematické modelování dynamických systémů se využívá v různých oborech přírodních, technických, ekonomických a sociálních věd. Použití matematického modelu umožňuje popsat
VíceKMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC
Přednáška 03 Přírodovědecká fakulta Katedra matematiky KMA/P506 Pravděpodobnost a statistika KMA/P507 Statistika na PC jiri.cihlar@ujep.cz Diskrétní rozdělení Důležitá diskrétní rozdělení pravděpodobnosti
VíceBayesovské metody. Mnohorozměrná analýza dat
Mnohorozměrná analýza dat Podmíněná pravděpodobnost Definice: Uvažujme náhodné jevy A a B takové, že P(B) > 0. Podmíněnou pravěpodobností jevu A za podmínky, že nastal jev B, nazýváme podíl P(A B) P(A
VíceTéma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí
Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí Přednáška z předmětu: Spolehlivost a bezpečnost staveb 4. ročník bakalářského studia Katedra stavební mechaniky Fakulta stavební Vysoká škola
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
VíceInvestiční instrumenty a portfolio výnos, riziko, likvidita Úvod do finančních aktiv. Ing. Gabriela Oškrdalová e-mail: oskrdalova@mail.muni.
Finanční trhy Investiční instrumenty a portfolio výnos, riziko, likvidita Úvod do finančních aktiv Ing. Gabriela Oškrdalová e-mail: oskrdalova@mail.muni.cz Tento studijní materiál byl vytvořen jako výstup
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceÚvod do teorie portfolia. CAPM model. APT model Výhody vs. nevýhody modelů CML SML. Beta faktor
Radka Domanská 1 Úvod do teorie portfolia CML CAPM model SML Beta faktor APT model Výhody vs. nevýhody modelů 2 Množina dostupných portfolií Všechna možná portfolia, která mohou být vytvořena ze skupiny
VíceNáhodný vektor a jeho charakteristiky
Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich
VíceALM v pojišťovnách. Martin Janeček Tools4F. MFF UK, Praha,
ALM v pojišťovnách Martin Janeček Tools4F MFF UK, Praha, 4.5.2018 Cíl Představit základní ekonomické analýzy při řízení ALM v pojišťovnách Obsah 1. Opakování základů 2. Bilance pojišťovny 3. Cíle ALM a)
VíceMonte Carlo. Simulační metoda založená na užití stochastických procesů a generace náhodných čísel.
Monte Carlo Simulační metoda založená na užití stochastických procesů a generace náhodných čísel. Typy MC simulací a) MC integrace b) Geometrické MC c) Termodynamické MC d) Modelování vývoje na strukturální
VíceÚvod do analýzy cenných papírů. Dagmar Linnertová 5. Října 2009
Úvod do analýzy cenných papírů Dagmar Linnertová 5. Října 2009 Investice a investiční rozhodování Každý je potenciální investor Nevynaložením prostředků na svou současnou potřebu se jí tímto vzdává Mít
VíceMATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci
MATEMATICKÁ STATISTIKA Dana Černá http://www.fp.tul.cz/kmd/ Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci Matematická statistika Matematická statistika se zabývá matematickým
VíceMíra růstu dividend, popř. zisku
Míra růstu dividend, popř. zisku Vstupy pro ohodnocovaní metody FA Úroveň vnitřní hodnoty je determinována několika faktory, které představuje nezbytné údaje pro metody FA Míra růstu dividend, popř. zisku
VíceHODNOCENÍ INVESTIC. Manažerská ekonomika obor Marketingová komunikace. 9. přednáška Ing. Jarmila Ircingová, Ph.D.
HODNOCENÍ INVESTIC Manažerská ekonomika obor Marketingová komunikace 9. přednáška Ing. Jarmila Ircingová, Ph.D. Metody hodnocení efektivnosti investic Při posuzování investice se vychází ze strategických
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VícePravděpodobnost a statistika I KMA/K413
Pravděpodobnost a statistika I KMA/K413 Konzultace 3 Přírodovědecká fakulta Katedra matematiky jiri.cihlar@ujep.cz Kovariance, momenty Definice kovariance: Kovariance náhodných veličin Dále můžeme dokázat:,
VíceTomáš Cipra: Riziko ve financích a pojišťovnictví: Basel III a Solvency II. Ekopress, Praha 2015 (515 stran, ISBN: ) 1. ÚVOD..
Tomáš Cipra: Riziko ve financích a pojišťovnictví: Basel III a Solvency II. Ekopress, Praha 2015 (515 stran, ISBN: 978-80- 87865-24-8) OBSAH 1. ÚVOD.. 1 2. OBECNĚ O RIZIKU. 3 2.1. Pojem rizika. 3 2.2.
VíceCredit scoring. Libor Vajbar Analytik řízení rizik. 18. dubna 2013. Brno
Credit scoring Libor Vajbar Analytik řízení rizik 18. dubna 2013 Brno 1 PROFIL SPOLEČNOSTI Home Credit a.s. přední poskytovatel spotřebitelského financování Úvěrové produkty nákup na splátky u obchodních
Více